直逼记录极限，机器学习助力开发全新钙钛矿电池原料

有志者，事竟成！如果你在学习科技周边，那么本文《直逼记录极限，机器学习助力开发全新钙钛矿电池原料》，就很适合你！文章讲解的知识点主要包括，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

钙钛矿太阳能电池（PSCs）的性能提升依赖于高效空穴传输材料（HTMs）的研发。传统HTMs设计依赖于实验者对HTM结构的定性分析和模式识别，效率低下且缺乏对新材料机制的深入理解。该研究利用机器学习（ML）结合有机合成，开发了一种逆向设计工作流程，旨在加速高性能HTMs的发现，从而提升PSCs的效率和商业竞争力。

研究团队构建了一个包含13000个虚拟分子的数据库，并通过高通量（HT）平台合成、纯化和表征其中的分子。利用高斯过程（GP）回归作为贝叶斯优化（BO）的代理模型，该模型预测分子结构与PSCs性能（功率转换效率PCE、开路电压Voc、短路电流密度Jsc、填充因子FF等）之间的关系。贝叶斯优化策略平衡了探索和利用，选择最有潜力的分子进行合成和实验验证。

该模型利用多个分子描述符（包括分子统计、理论计算特征和几何性质）进行训练。通过两次闭环迭代优化，该模型成功预测并合成了多个性能优于现有材料的HTMs，其中6个分子的PCE超过了PTAA（参考材料）的器件性能。 模型分析显示，合成产物的纯度和HOMO（最高占据分子轨道）是影响PCE的关键因素。

这项研究展示了ML在加速新型高性能HTMs发现中的巨大潜力，为提升钙钛矿太阳能电池的效率提供了新的途径。未来，团队计划将材料发现和器件优化集成到一个无缝的闭环流程中，进一步提升效率。

相关报道：https://techxplore.com/news/2024-12-machine-perovskite-solar-cells-efficiency.html

原文链接：DOI：10.1126/science.ads0901

以上就是《直逼记录极限，机器学习助力开发全新钙钛矿电池原料》的详细内容，更多关于理论,电池的资料请关注golang学习网公众号！